基于交通路網權重學習的城市機動車多樣化軌跡生成

摘 要：基于GPS數據的軌跡生成方法因隱私保護與成本高的問題而難以應用，提出一種基于卡口數據生成車輛軌跡的方法。但其面臨以下挑戰：首先由于卡口覆蓋率低導致拍攝的軌跡不連續，無法兼容現有模型，且未有工作研究如何有效填補缺失軌跡；其次現有模型忽略路網約束，生成軌跡無法進行仿真；最后現有模型無法生成多樣化軌跡，導致可用性較差。為解決以上挑戰，首先設計了TrajGAT-A*模型，通過圖神經網絡構建包含實際交通信息的路網拓撲圖，使用聚類算法構造出功能區網絡并利用圖注意力網絡挖掘路網特征，生成路網權重圖后執行A*算法重構出連續軌跡。接著設計β-TrajVAE模型，通過聚類算法將路網劃分為簇內外路段并執行分區采樣，在損失函數中加入超參數以控制精度與散度之間的平衡，生成多個制導圖后執行A*搜索生成多樣化軌跡。基于重慶數據進行實驗驗證，結果顯示重構軌跡在precision、recall、F1指標上均優于現有模型，生成軌跡在cross-entropy上優于現有生成模型，并通過仿真實驗證實該方法可生成符合真實交通狀況的軌跡。

關鍵詞：軌跡生成；A*算法；路徑規劃；VAE

中圖分類號：TP389.1"" 文獻標志碼：A""" 文章編號：1001-3695（2025）03-030-0870-10

doi： 10.19734/j.issn.1001-3695.2024.08.0311

Diversified trajectory generation of urban motor vehiclesbased on traffic road network weight learning

Wang Haoquan1， Zheng Jiaoling1， Qiao Shaojie1， Shuai Yanshu1， Liu Shuangqiao2， Zeng Yu2

（1.School of Software Engineering， Chengdu University of Information Technology， Chengdu 610225， China; 2. Sichuan Efang Intelligence Technology Co.， Ltd.， Chengdu 610000， China）

Abstract：The acquisition of trajectory generation methods based on GPS data is challenging due to privacy protection and high costs. This study proposed a method for generating vehicle trajectories using checkpoint data， which confronted several challenges. Firstly， the low checkpoint coverage results in discontinuous trajectories that are not compatible with existing mo-dels， and no research has been conducted filling the gaps. Secondly， existing models overlook road network constraints， preventing trajectories suitable for simulation. Lastly， these models lack the capability to produce diverse trajectories， which diminishes their practicality. To tackle these challenges， it developed the TrajGAT-A* model， which utilized a graph neural network to build a costmap rich with actual traffic information， employed a clustering algorithm to create a functional area network and leveraged a graph attention network to extract road network features. After constructing the costmap， it applied the A* algorithm to reconstruct continuous trajectories. Following this， it designed the β-TrajVAE model to segment the road network into intra and inter cluster sections via clustering algorithms and to conduct partitioned sampling. Hyperparameters were incorporated into the loss function to balance accuracy and divergence， leading to the generation of multiple costmaps for executing A* search and producing diverse trajectories. Experimental validation using Chongqing data reveals that the reconstructed trajectories surpass existing models in terms of precision， recall， and F1 metrics. The generated trajectories also outperform existing models in cross-entropy. Simulation experiments confirm that the proposed method is capable of generating trajectories that align with real traffic conditions.

Key words：trajectory generation; A* algorithm; path planning; VAE

0 引言

隨著城市交通的快速發展和交通管理需求的日益增長，大規模車輛軌跡數據集生成對于信號燈優化［1］、交通流分析［2］、事故調查［3］等領域具有重要意義。目前廣泛采用的車輛軌跡生成方法主要依賴于全球定位系統（GPS）定位數據［4］，然而，用戶隱私保密協議以及政府禁止永久儲存城市行人與車輛軌跡等政策使得GPS數據獲取成本高昂。

近年來，城市道路中卡口攝像頭覆蓋率的不斷提高，為解決車輛軌跡生成問題提供另一種方法。路網中廣泛分布的卡口攝像頭會時刻記錄下車輛出現的位置和時間信息，為研究人員提供了海量的車輛移動數據。因此，本文研究如何利用卡口數據生成車輛軌跡。

考慮到龐大且復雜的城市道路網絡，車輛軌跡重構與生成可被認定為一種特殊的尋路任務。早期的研究主要集中在如何將現有的啟發式搜索算法（如Dijkstra最短路徑算法和A*搜索算法［5］）進行擴展。其中A*算法因其使用啟發式估計、具有靈活性和剪枝避免重復等特點，成為了一種被廣泛應用于路徑規劃的算法。隨著深度學習的發展，神經網絡為車輛軌跡重構提供了更優解決思路。與此同時，圖神經模型（GCN）、遞歸神經網絡（RNN）已被廣泛用于對序列軌跡數據進行建模［6］。軌跡生成本質上是生成問題，根本目的在于學習數據特征并生成與真實數據無法區分的解集，目前已有許多生成模型可完成此項任務，如自動編碼器（AE）、變分自編碼器（VAE）［7］和生成對抗網絡（GAN）［8］。

SUMO［9］是一個開源的、多模式的交通仿真軟件，它包含地圖文件和車流文件（圖1），在交通流動分析和城市交通規劃中發揮著重要作用。該軟件支持對各種交通模式的仿真，包括汽車、公共交通、行人以及自行車等，且能夠處理復雜的交通場景。利用SUMO，研究人員和決策者能夠模擬不同的交通策略和政策對城市交通流的影響，識別潛在的交通瓶頸，評估交通管理方案的效果，從而為優化城市交通系統提供數據支持。

在實際應用中（以圖1中相同OD下車流為例），圖1（a）中卡口攝像頭分別在早高峰時間段內拍攝到大量過車數據，其中卡口1和5為交通擁堵的起點和終點，卡口2和4為過車數量較少的卡口路段，卡口3為交通擁擠的主干道路段。將卡口過車數據生成的車輛軌跡輸入SUMO仿真環境中，如圖1（b）中，最終使得仿真環境中道路的擁堵情況與卡口所拍攝的一致，即卡口1、3、5對應擁擠路段（SUMO中紅色路段），卡口2和4對應流量稀疏路段（SUMO中綠色路段，參見電子版）。通過模擬和分析在不同交通條件和管理策略下的車流情況，為城市交通規劃和管理提供有力的支持。然而先前模型所生成的軌跡在SUMO仿真應用中，均無法應對以下挑戰：

挑戰1：卡口數據拍攝的車輛軌跡是不連續的。如圖1（a）所示，由于卡口攝像頭的安裝和維護，包括硬件、軟件、人力以及運行成本需要投入大量資金，卡口攝像頭在路網覆蓋率普遍在40%以下，車輛軌跡只在部分卡口被拍攝記錄，因此記錄的車輛軌跡為不連通的軌跡序列。然而在SUMO仿真的車流文件中，軌跡必須是連通的序列，否則無法進行仿真。

挑戰2：先前的研究中， Choi等人［10］將學習觀察到的軌跡中的位置序列形式化為部分可觀察馬爾可夫決策過程中的模仿學習問題。然而方法基于GPS數據，無法適配缺失的卡口數據。

挑戰3：基于序列的模型關注生成軌跡序列的時空性而忽略路網約束。如Zhang等人［11］結合VAE和VRNN對軌跡進行編碼，并基于LSTM生成軌跡后進入馬爾可夫模型得到路網約束軌跡；然而如圖1（a）所示，先前模型無法捕獲路網上禁行等約束條件，生成車流文件中的軌跡在標有禁左行駛路口依然選擇左轉，在SUMO仿真時則會發生異常中斷，無法真正投入使用。

挑戰4：基于軌跡的生成模型無法滿足真實路網中軌跡的多樣化需求。圖1中會有多輛車只在起點和終點被拍攝，然而所花費時間卻不同，表明車輛所選擇的路線不同，起點到終點的潛在通行軌跡理應有多條。而現有模型都計算生成軌跡與樣本數據的損失，旨在生成無法與樣本數據區分的軌跡，所以訓練后只能生成近似樣本的車輛軌跡。在SUMO仿真中，相同OD下的軌跡完全一致，則會導致軌跡中的道路異常擁堵，而臨近道路沒有車輛通行，顯著削弱了仿真結果的真實性和可靠性。因此在真實路網中，缺失區域的軌跡理應具有多樣性。

基于上述的問題求解：

針對挑戰1和3，Yonetani等人［12］提出Neural A*算法。該算法通過將經典的A*搜索算法進行微分改造，并結合卷積神經網絡，實現了端到端的路徑規劃學習。基于此，本文設計一個結合圖神經網絡和A*的軌跡重構模型。a）啟發式搜索算法A*在本質上解決了給定起始點情況下的路徑搜索問題。通過優化啟發函數，它可以有效地生成高質量的近似解。b）圖神經網絡在捕獲空間數據特征方面的強大使得它能夠自主學習路網中重要節點和給定車輛軌跡的數據映射。通過有向圖構建出路網權重圖，搜索出的車輛軌跡完全遵循路網約束，后續稱為TrajGAT-A*模型。

針對挑戰2，通過聚類算法在路網基礎上構建功能區網絡，用于表示如住宅區、主干道等特殊交通區域。通過賦予這些區域內路段更大的權重，引導A*探索路網中功能區內的路段。

針對挑戰4，Shao等人［13］提出可控變分自編碼器框架，采用非線性PI控制器，通過動態調整 KL 散度權重，實現KL散度的精確控制，而Chen等人［14］通過LSTM生成類似于樣本的軌跡。然而基于序列的VAE模型生成軌跡的同時滿足路網約束是極其困難的，因此提出方法延續上面任務中所生成的路網權重圖，設計β-TrajVAE生成模型。具體來說，模型將路網權重圖作為輸入，通過分區采樣和優化損失函數，生成符合特征分布的多個路網權重圖，執行A*搜索后生成多樣化軌跡。

1 問題定義

定義1 道路網絡。路網使用有向圖G=（V，A）表示，其中V代表路網中道路段節點，A是由二進制值組成的鄰接矩陣，表示路段之間的連通關系。方法遵循廣泛采用的設置［15］，將路段視為有向圖節點，并采用反轉起終點的方法處理雙向路段。

第1～7行使用聚類算法劃分路段，執行分區采樣獲取到不同的概率密度樣本，從而放大功能區內路段權重的變化，探索功能區內其他路段，減小功能區外路段權重變化，避免關注不必要的路段。第7～9行解碼器依據采樣值重構出多個路網權重圖，并通過損失函數優化。

7 實驗

7.1 實驗背景

重慶作為中國西部地區的經濟中心和交通樞紐之一，有著復雜的交通路網和日益嚴重的交通擁堵問題，獲取實時的交通流量和擁堵信息格外重要。

傳統的交通數據獲取方法無法精確捕捉城市不同時間段的交通狀況。因此，為了更精確地獲取和分析交通數據，模型采用卡口數據生成車輛軌跡，并結合仿真技術模擬多種交通場景和車輛行為。同時由于單一的軌跡生成，無法準確地模擬復雜的交通現象和真實的道路行為。通過生成多樣性的軌跡數據，可以更全面地分析交通擁堵情況。這種多樣性的數據不僅有助于識別交通擁堵的形成原因，還能為交通管理者制定更為精準的優化策略和應對方案。

綜上所述，車輛軌跡生成技術在重慶市的交通管理項目中的應用，不僅提供了必要的數據支持和決策依據，還為城市交通的未來發展奠定了堅實的基礎。

7.2 實驗目標

為了驗證引言中所提出的三個挑戰，本節設計以下研究問題：

RQ1：針對挑戰1，為了驗證模型能夠基于不連續的卡口數據進行軌跡重構，首先基于表2中數據構造樣本軌跡，將其作為輸入并重構出連續軌跡，設計了7.4節中的指標來衡量重構軌跡的質量。

RQ2：針對挑戰2，由于現有重構方法都基于連續軌跡作為樣本，為了與其進行對比，實驗采用最短路徑補全卡口間空缺路段，重構出連續的軌跡來進行對比，基于7.4節中的指標來衡量重構軌跡的質量。

同時，為了驗證提出的方法與已有模型所重構出軌跡的區別，設計軌跡可視化實驗，在圖6中通過對比重構軌跡是否經過功能區評判重構軌跡的質量。

RQ3：針對挑戰3，為了驗證重構出的軌跡是否遵循路網約束，實驗將提出的方法和對比模型所重構的軌跡輸入SUMO軟件進行仿真，設計7.4節中指標驗證軌跡是否遵循路網約束。

RQ4：為了探究不同模塊和參數對性能的影響，設計了消融實驗和參數敏感性實驗。值得注意的是，本文模型的輸入可以是不連續軌跡，而已有模型的輸入必須是連續軌跡，具體實現步驟在7.5節中進行了詳細描述。

RQ5：針對挑戰4，為了驗證提出的方法能生成多樣性軌跡，首先將TrajGAT-A*模型訓練的單個路網權重圖作為輸入，生成多個路網權重圖后執行A*搜索生成多條軌跡，并設計了7.4節中的路段交叉熵指標衡量生成軌跡的多樣性。

RQ6：針對挑戰4，選擇TrajVAE和EETG進行對比實驗，然而這兩種方法關注于生成軌跡與樣本數據的特征相似度，沒有涉及生成多樣性軌跡的工作，實驗通過修改TrajVAE和EETG的損失函數產生模型變體，將TrajGAT-A*重構軌跡作為輸入以進行對比，通過7.4節中路段交叉熵指標驗證軌跡的多樣性。

RQ7：為了測試不同模塊對實驗性能的影響，實驗將TrajGAT-A*模型訓練的單個路網權重圖作為輸入，通過設計不同的變體進行消融實驗，生成多個路網權重圖后執行A*搜索生成多條軌跡，最后仍基于7.4節中的指標衡量生成軌跡的質量。

7.3 實驗設計

7.3.1 卡口數據預處理和設計

實驗軌跡數據選用重慶市大渡口區一周早高峰時段（7：00～9：00）卡口攝像頭拍攝車輛信息，該數據集包含95 000多條車輛軌跡，每條信息包含卡口經緯度信息、車牌號碼、拍攝時間、卡口編號等信息，在對車牌號進行脫敏處理后的數據字段如表2所示。通過排序、卡口匹配、車牌有效性檢測和時間異常檢測等方法處理后，將脫敏數據轉換成表3的卡口過車數據。

7.3.2 SUMO路網設計

實驗路網數據使用重慶市大渡口區的SUMO路網圖，該地圖包含203個卡口、1 072條路段和578個路口。如圖5所示，將卡口匹配到路網后通過SUMO文件中道路的連接關系構建路網有向圖，以便TrajGAT-A*模型進行路徑規劃。

7.3.3 實驗參數設計

所有實驗均在Windows 服務器（CPU為Intel CoreTM i9-12900H，GPU為NVIDIA GeForce RTX3060）上進行，使用 PyTorch 框架進行編譯與測試。以7∶2∶1的比例劃分訓練集、驗證集和測試集，batch_size大小為100，采用RMSProp和Adam優化器進行訓練，學習率設為0.001。

7.3.4 評估指標設計

對于軌跡重構任務，采用先前工作中廣泛使用的各種評價指標［17～19］，在給定不連通的卡口軌跡T，模型重構具有相同起終點的軌跡T′（見目標1）。使用精確率、召回率和F1值作為評估重構軌跡的指標：

（22）

精確率和召回率分別計算真實軌跡和重構軌跡重疊部分的比率。實驗將重構軌跡輸入SUMO軟件進行仿真，通過統計出錯的軌跡數量Eerror占總軌跡數量Eall的百分比來衡量軌跡是否符合路網約束：

Eratio=EerrorEall

（23）

實驗中統計以1 000條軌跡為一組進行衡量。

生成模型的目的是生成符合特征分布但具有多樣性的車輛軌跡。從宏觀角度考慮，使用路段交叉熵（cross-entropy）［24］、卡口位置分布來定量評估生成軌跡的質量。

路段交叉熵（cross-entropy）：衡量樣本軌跡中路段分布概率P（v）與生成軌跡中路段分布概率Q（v）的交叉熵為

CEr=－∑iP（vi）log Q（vi）

（24）

其中：p（vi）=count（vi in T）n和q（vi）=count（v′i in T′）n分別表示路段在樣本軌跡T中和生成軌跡T′中的概率，當CEr越大，生成軌跡越具有多樣性。

卡口位置分布：在駕駛過程中，駕駛員由當前路段Vi駛向下一路段Vi+1往往呈現固定方向偏好，在圖1中，車輛在行駛過B4卡口后往往駛向B5卡口，通過統計輸入樣本集中所有被卡口攝像頭拍攝到的節點并將這一連續行為定義為狀態Si，由樣本集中卡口位置分布概率P（Si）和輸出集中卡口位置分布概率Q（Si），計算卡口狀態分布之間的交叉熵為

CEb=－∑iP（Si）·Q（Si）

（25）

其中：Si表示狀態；－log Q（Si）表示概率的信息量。當交叉熵CEb越小時，兩個集合的分布差異越小，軌跡中含有卡口狀態的概率分布越接近。

7.4 軌跡重構實驗

重構實驗將卡口過車數據劃分成長距離（超過15個卡口）、中距離（5到15個卡口）和短距離（5個卡口以下）任務。

7.4.1 對比實驗（驗證RQ1和RQ2）

對于TrajGAT-A*模型，給定不連續的卡口軌跡作為訓練樣本，實驗在測試階段隱藏除起點和終點以外所有卡口路段，最終需要重構出一條連續可通行路徑。

基于部分模型需要連續軌跡作為輸入，實驗采用最短路徑補全空缺路段形成連續的軌跡，并依據經緯度和拍攝時間轉換成帶時間戳的GPS位置序列，選用以下模型進行對比。

CTRR［17］：一種考慮個人出行偏好的協同出行路徑推薦算法。從用戶歷史軌跡轉換而來的對數逆出行行為概率，對道路網絡圖進行加權。最后，利用Dijkstra算法尋找最小權值路徑。

AttnMove［18］：通過以細粒度的時空分辨率恢復未觀察到的位置來加密車輛個體軌跡，結合各種軌跡內和軌跡間的注意力機制，并充分利用長期周期性來模擬車輛個體軌跡的模型。

CFST［19］：它利用視覺特征對車輛進行聚類，將整個地圖區域劃分為多個塊，并利用GPS軌跡訓練統一的Dirichlet先驗模型和時間模型，按塊恢復和連接軌跡。

NASR+［20］：結合神經網絡與A*尋路算法的軌跡預測模型，使用注意力機制的RNN和圖神經網絡分別對啟發函數建模。

TrajRecovery［21］：通過構造空間轉移概率模型（spatial transfer probabilistic model， STPM）綜合路況和駕駛員行為計算路口轉向概率，利用STPM輸出車輛軌跡。

表4列出所有對比模型的F1值實驗結果，可以看出TrajGAT-A*在重構準確度上明顯優于其他模型。AttnMove面對長距離的任務體現出較低的準確性，一個可能的原因是無法很好地利用道路網絡的信息。CFST在短距離任務中表現良好，但隨著軌跡增長，F1值大幅下降，一個可能的原因是將地圖分區后，弱化軌跡的OD性導致無法生成較為準確的路徑。

在圖6中可視化出不同模型在重慶路網上所重構的軌跡。可以看出，TrajGAT-A*模型重構出的軌跡在經過卡口的同時在空缺部分探索功能區內路段。CTRR和NASR+模型經過重構的軌跡盡管經過卡口，但意外出現探索功能區外低流量路段，顯然不符合機動車駕駛規律。CFST在區域與區域連接處無法準確重構出軌跡。

7.4.2 路網約束實驗（驗證RQ3）

為了驗證不同模型重構軌跡是否符合路網約束條件，將模型和對比模型重構軌跡輸入SUMO軟件進行仿真，統計每1 000條軌跡中出錯軌跡數量。

從表5可以看出，基于GPS數據重構的軌跡均出現不同程度的錯誤軌跡，而提出方法是根據道路的連接關系構造有向圖，重構出的軌跡完全遵循路網約束，這是所提出方法最大的優勢。

7.4.3 消融實驗（驗證RQ4）

為了測試各模塊對實驗結果的影響，將模型中不同的模塊去除組成不同的變體，以觀測其結果的變化。TrajGAT-A*-K為去除聚類功能分區層的模型；TrajGAT-A*-A為去除路段注意力機制的模型；TrajGAT-A*-KA為去除聚類功能分區層和路段注意力機制，只使用簡單GCN的模型。

圖7列出所有消融實驗的結果。可明顯發現，去除聚類劃分功能區層的模型在長距離任務中體現出明顯的性能下降，一個可能的原因是缺少功能區層對距離遙遠卻呈現高相關度節點的特征學習。而去除注意力機制的模型在短中長任務中均出現小幅度下將。最后，在只使用簡單圖神經網絡和A*的基線模型仍能有不俗的準確率，也體現出啟發式算法結合神經網絡在解決軌跡重構的任務上有很大的競爭力。

7.4.4 參數敏感性實驗（驗證RQ4）

為了探究模型最佳性能，本文探究了鄰接矩陣特征維度和多頭注意力個數對軌跡重構質量的影響。

1）特征維度 節點特征向量的長度，即特征矩陣的列數。低維特征可能會導致信息的丟失，高維特征能捕獲更多的信息與細節，從而提高模型的表達能力與性能，如圖8所示。

2）多頭注意力 在每一層中應用多個獨立的注意力機制，每個注意力頭都生成一組注意力權重并計算輸出，然后將這些輸出進行聚合。更多頭數允許模型從不同的角度和不同的子空間中聚合信息，從而提高模型的表達能力和性能，如圖9所示。

結果表明，隨著特征維度提高，模型性能也逐步提高，在特征維度大于256時性能逐漸趨于穩定，因此選用256作為特征維度。多頭注意力個數為8時，重構性能達到最佳。

7.5 軌跡生成實驗

生成軌跡實驗同樣將卡口過車數據劃分成長距離（超過15個卡口）、中距離（5～15個卡口）和短距離（5個卡口以下）任務。給定單個路網權重圖作為訓練數據，模型生成多個路網權重圖后執行A*搜索生成多條軌跡。

7.5.1 對比實驗（驗證RQ5和RQ6）

基于現有的工作并未涉及生成多樣性軌跡，且需要連續軌跡作為輸入，實驗采用最短路徑補全空缺路段形成連續的軌跡，并依據經緯度和拍攝時間轉換成帶時間戳的GPS位置序列，實驗選用以下模型對比性能。

TrajVAE［14］：使用LSTM對軌跡特征進行建模，然后利用變分自動編碼器（VAE）框架來生成軌跡。實驗將VAE模塊損失函數替換為本文損失函數以適應多樣性目標。

EETG［10］：結合VAE和VRNN對軌跡進行編碼，并基于LSTM生成軌跡后進入馬爾可夫模型得到路網約束軌跡。實驗將VAE模塊損失函數替換為本文損失函數以適應多樣性目標。

由表6可以看出，TrajVAE變體在路段交叉熵和卡口位置分布交叉熵這兩個指標上變動均不明顯，表明了其生成軌跡盡管符合樣本軌跡的卡口分布，但是缺乏多樣性。EETG在路段交叉熵增大的同時，其卡口位置分布的交叉熵也在顯著增大，表明生成軌跡隨著路段個數的增長逐漸缺失精度。β-TrajVAE相較于其他方法，其路段交叉熵隨著軌跡長度顯著增加，但是卡口位置分布交叉熵只呈現微弱上升，這表明生成軌跡在滿足卡口位置分布的同時具有多樣性特點。

7.5.2 消融實驗（驗證RQ7）

消融實驗將TrajGAT-A*模型訓練的單個路網權重圖作為輸入，其目標是測試不同模塊對生成軌跡多樣性的影響。最終設計了以下變體。

β-TrajVAE/og：在本文方法的基礎上去除分區采樣模塊和使用初始損失函數，即基礎的VAE模型。

β-TrajVAE/ns：在本文方法的基礎上去除分區采樣模塊后的變體。

β-TrajVAE/loss：在本文方法的基礎上只使用初始損失函數來訓練模型。

如表7所示，基礎的VAE生成的軌跡明顯缺乏多樣性。加入分區采樣和優化損失函數的變體隨著軌跡長度的增加，在保持卡口位置分布交叉熵微小增長的同時，路段交叉熵有著較為明顯的增長，最終表明了模型生成了符合特征分布且具有多樣性的軌跡。

圖10可視化出在重慶路網上相同OD下生成的多樣性軌跡。可以看出，路網權重圖在經過β-TrajVAE訓練后生成的軌跡在經過樣本軌跡所經過的卡口路段時，會在空缺部分探索功能區內其他路段，從而生成多樣性軌跡。

8 結束語

本文提出了一種基于交通路網權重學習的城市機動車多樣化軌跡生成方法，其中TrajGAT-A 模型通過結合圖神經網絡和A*算法，通過構造上層網絡和注意力機制捕獲相鄰簇和路段的特征。構建功能區網絡和路段注意力機制，引導A*算法探索功能區域，提高軌跡的準確性。β-TrajVAE模型通過聚類算法劃分簇內外路段并分別進行采樣，引導A*探索功能區內其他路段的同時避免關注不必要的路段。最后在損失函數中加入超參數 β，控制樣本與生成數據之間的精度與散度，從而生成具有多樣性的軌跡。

本文方法的核心貢獻在于克服了現有軌跡生成模型的局限性，使其能夠處理不連續軌跡或非GPS類型的樣本數據；確保了生成軌跡遵循現實路網約束，使其真正能夠投入實際應用；生成多樣性的軌跡從而更好地模擬真實交通狀況。

模型在短中距離和長距離軌跡的生成上均表現優越，通過將模型生成軌跡在SUMO軟件應用中進行仿真，可以精準地展示城市道路交通擁堵信息，了解不同區域的車流量和擁堵情況，為交通管理提供數據支持。未來的工作將進一步考慮車輛行駛速度和時間對軌跡生成的影響，以提升模型的全面性。

參考文獻：

［1］Liao Zhuhua， Xiao Hao， Liu Silin，et al. Impact assessing of traffic lights via GPS vehicle trajectories ［J］. ISPRS International Journal of Geo-Information， 2021， 10（11）： 769.

［2］Khajeh Hosseini M， Talebpour A. Probabilistic traffic state prediction based on vehicle trajectory data ［J］. Data Science for Transportation， 2023， 5（3）： 22.

［3］Yang Da， Wu Yuezhu， Sun Feng，et al. Freeway accident detection and classification based on the multi-vehicle trajectory data and deep learning model ［J］. Transportation Research Part C： Emerging Technologies， 2021， 130： 103303.

［4］Soares de Sousa R， Boukerche A， Loureiro A A F. A novel scalable framework to reconstruct vehicular trajectories from unreliable GPS datasets ［J］. IEEE Trans on Intelligent Transportation Systems， 2023， 24（9）： 9658-9669.

［5］Wei Lingyin， Zheng Yu， Peng W C，et al. Constructing popular routes from uncertain trajectories ［C］//Proc of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM Press， 2012： 195-203.

［6］Singh D， Srivastava R. Graph neural network with RNNs based tra-jectory prediction of dynamic agents for autonomous vehicle ［J］. Applied Intelligence， 2022， 52（11）： 12801-12816.

［7］Kingma D P， Welling M. Auto-encoding variational Bayes ［EB/OL］. （2013-12-20）. https：//arxiv.org/abs/1312.6114.

［8］Goodfellow I， Pouget-Abadie J， Mirza M，et al. Generative adversarial networks ［J］. Communications of the ACM， 2014， 63： 139-144.

［9］Michael B， Laura B， Jakob E， et al. SUMO-simulation of urban mobility an overview ［C］//Proc of the 3rd International Conference on Advances in System Simulation. ［S.I.］：IARIA， 2011：63-68.

［10］Choi S， Kim J， Yeo H. TrajGAIL： generating urban vehicle trajectories using generative adversarial imitation learning ［J］. Transportation Research Part C： Emerging Technologies， 2021， 128： 103091.

［11］Zhang Liming， Zhao Liang， Pfoser D，et al. Factorized deep generative models for end-to-end trajectory generation with spatiotemporal validity constraints ［C］//Proc of the 30th International Conference on Advances in Geographic Information Systems. New York： ACM Press， 2022： 1-12.

［12］Yonetani R， Taniai T， Barekatai M， et al. Path planning using neural A* search ［C］//Proc of International Conference On Machine Learning. ［S.I.］：PMLR， 2021： 12029-12039.

［13］Shao Huajie， Xiao Zhisheng， Yao Shuochao，et al. ControlVAE： tu-ning， analytical properties， and performance analysis ［J］. IEEE Trans on Pattern Analysis and Machine Intelligence， 2022， 44（12）： 9285-9297.

［14］Chen Xinyu， Xu Jiajie， Zhou Rui，et al. TrajVAE： a variational Auto-Encoder model for trajectory generation ［J］. Neurocomputing， 2021， 428： 332-339.

［15］Jepsen T S， Jensen C S， Nielsen T D. Relational fusion networks： graph convolutional networks for road networks ［J］. IEEE Trans on Intelligent Transportation Systems， 2022， 23（1）： 418-429.

［16］Kan Zihan，Liu Dong， Yang Xue， et al. Measuring exposure and contribution of different types of activity travels to traffic congestion using GPS trajectory data ［J］. Journal of Transport Geography， 2024， 117： 103896.

［17］Cui Ge， Luo Jun， Wang Xin. Personalized travel route recommendation using collaborative filtering based on GPS trajectories ［J］. International Journal of Digital Earth， 2018， 11（3）： 284-307.

［18］Xia Tong， Qi Yunhan， Feng Jie， et al. AttnMove： history enhanced trajectory recovery via attentional network ［C］//Proc of AAAI Conference on Artificial Intelligence. Palo Alto，CA： AAAI Press， 2021： 4494-4502.

［19］Yu Fudan， Yan Huan， Chen Rui， et al. City-scale vehicle trajectory data from traffic camera videos ［J］. Scientific Data， 2023， 10（1）： 711.

［20］Wang Jingyuan， Wu Ning， Zhao W X， et al. Empowering A* search algorithms with neural networks for personalized route recommendation ［C］//Proc of the 25th ACM SIGKDD International Conference on Knowledge Discovery amp; Data Mining. New York： ACM Press， 2019： 539-547.

［21］Wu Dongen， Fang Ziquan， Sun Qichen， et al. TrajRecovery： an efficient vehicle trajectory recovery framework based on urban-scale traffic camera records ［C］//Proc of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM Press， 2024： 5979-5990.

［22］Ng A， Jordan M I， Weiss Y. On spectral clustering： analysis and an algorithm ［C］//" Proc of the 14th International Conference on" Neural Information Processing Systems. Cambridge， MA： MIT Press， 2001：849-856.

［23］Keogh E， Ratanamahatana C A. Exact indexing of dynamic time warping ［J］. Knowledge and Information Systems， 2005， 7（3）： 358-386.

［24］Mao Anqi， Mohri M， Zhong Yutao. Cross-entropy loss functions： theo-retical analysis and applications［EB/OL］. （2023-06-20）. https：//arxiv.org/abs/2304.07288.